52 Peramalan Permintaan Komoditi Paprika (Puji RN dan Tania FI)
PERAMALAN PERMINTAAN KOMODITI PAPRIKA (CAPSICUM ANNUM)
DI PT BIMANDIRI AGRO SEDAYA, LEMBANG
Puji Rahmawati Nurcahyani dan Tania Fauzia Iqbal
Korespondensi : Program Studi Pendidikan Teknologi Agroindustri, Fakultas Pendidikan Teknologi dan
Kejuruan,
Jalan Dr. Setiabudhi No 229, Kode Pos 40154, Bandung Email: [email protected]
ABSTRACT
PT Bimandiri Agro Sedaya is a non- manufacturing company ( services ) which
operate in the field of trade as a supplier of fresh vegetables to retail. In December
2013, the fulfillment of the demand of red paprika, yellow paprika dan green paprika
are 70,09 %; 70,24 %, 73,95 % respectively, so we need a method of accurately
forecasting demand to estimate the demand of paprika early. The data is demand of
red, yellow and green paprika commodities during September to December 2013. The
results of pattern data analysis by least squares method and autocorrelation function
shows that data have stationery pattern so used moving average method, single
exponential smoothing and ARIMA. The result of MSE shows ARIMA metohd has the
lowest MSE value for whole paprika. ARIMA method for red paprika, yellow paprika
and green paprika are ARIMA (1,1,2) with MSE of 434,7;ARIMA (2,1,3) with MSE of
164,4 and ARIMA (1,0,1) with MSE of 321,9 respectively.
Key words : Demand, forecasting, paprika, PT Bimandiri Agro Sedaya
PENDAHULUAN
Paprika merupakan salah satu tanaman hortikultura yang banyak
dimanfaatkan dalam berbagai macam industri.
Dalam industri farmasi, paprika digunakan sebagai salah satu sumber komponen obat-
obatan dan kosmetik. Dalam industri pangan,
paprika digunakan sebagai pewarna bahan
makanan, bahan utama, dan bahan campuran baik untuk makanan maupun minuman. Selain
itu paprika juga merupakan penghasil minyak
atsiri (Cahyono, 2003). Di Indonesia, paprika dibudidayakan di beberapa wilayah seperti
Lembang, Garut, Cisarua, Dieng, dan Brastagi
(Harun, 2013). Berdasarkan data Direktorat
Jenderal Hortikultura (2013) pertumbuhan
produksi paprika dari tahun 2011 hingga
tahun 2012 mengalami kenaikan sebesar 14,38%. Angka tersebut merupakan angka
pertumbuhan tertinggi ketiga setelah lobak
dan cabe rawit. Pertumbuhan produksi yang meningkat menandakan peningkatan jumlah
permintaan paprika, baik itu untuk konsumsi
dalam negeri maupun luar negeri. Konsumsi paprika di Indonesia semakin meningkat
semenjak adanya perkembangan gaya hidup
masyarakat dan pertumbuhan restoran dan
hotel-hotel yang menyediakan masakan yang menggunakan paprika sebagai bahannya.
Selain itu, konsumen yang mulai beranjak dari
pasar tradisional ke pasar modern seperti retail dan supermarket juga mengembangkan rantai
pemasaran paprika dengan adanya pasokan
paprika ke pasar modern. PT Bimandiri Agro Sedaya
memasok sayur-sayuran segar yang terdiri
dari sekitar 138 komoditi ke retail-retail di
Bandung, Jakarta, Jawa Timur, dan Jawa Tengah. Salah satu komoditi tersebut adalah
paprika. Paprika termasuk dalam kategori
redlist perusahaan. Redlist adalah komoditi yang frekuensi ordernya sering, dalam
kuantitas yang banyak, dan memiliki harga
yang lebih tinggi. Namun, jumlah permintaan paprika ini fluktuatif. Pada suatu waktu stok
yang dimiliki perusahaan beserta pasokannya
AGROINTEK Volume 8, No.2 Agustus 2014 53
melebihi jumlah permintaan, pada waktu yang
lain stok dan pasokan ke perusahaan tidak
dapat memenuhi jumlah permintaan. Pada bulan Desember 2013, perusahaan hanya
dapat memenuhi 70,09% permintaan paprika
merah, 70,24% permintaan paprika kuning,
dan 73,95% permintaan paprika hijau (Gambar 1.).
Sebuah perusahaan pemasok
sayuran seperti PT Bimandiri Agro Sedaya haruslah dapat bersaing dengan kompetitor-
kompetitornya dalam memenuhi permintaan
konsumen, mengingat permintaan konsumen
pada masa sekarang yang menuntut keragaman produk dan kemudahan untuk
mendapatkan produk. Begitu pula dengan
komoditi paprika yang merupakan bahan pangan yang perishable atau mudah rusak,
tuntutan konsumen yang menginginkan
ketersediaan produk dan kemudahan memperolehnya menjadi tantangan bagi
perusahaan-perusahaan pemasok sayuran
seperti PT Bimandiri Agro Sedaya.
Terpenuhinya permintaan konsumen merupakan salah satu tujuan sebuah
perusahaan. Untuk dapat memenuhi
permintaan konsumen, PT Bimandiri Agro Sedaya harus dapat memperkirakan jumlah
pasokan paprika yang dibutuhkan agar dapat
memasok jumlah paprika sesuai dengan permintaan. Salah satu cara yang dapat
ditempuh untuk memperkirakan jumlah
pasokan yang dibutuhkan adalah dengan
melakukan peramalan permintaan (demand forecasting).
Situasi peramalan sangat beragam,
baik itu dalam horizon waktu peramalan,
faktor yang menentukan hasil sebenarnya, tipe pola data, dan berbagai aspek lainnya. Untuk
menghadapi penggunaan yang luas seperti itu,
beberapa teknik telah dikembangkan. Teknik tersebut dibagi dalam dua kategori utama,
yaitu metode kuantitatif dan metode kualitatif.
Metode kuantitatif dapat dibagi menjadi deret
berkala dan metode kausal sedangkan metode kualitatif dapat dibagi menjadi metode
eksploratoris dan normatif (Makridakis et al.,
1999). Kegiatan peramalan memiliki peran
yang penting dalam sebuah rantai kegiatan
perusahaan. Menurut Stadtler (2005), semua kegiatan rantai pasok bermula dari adanya
permintaan. Permintaan memiliki pola yang
fluktuatif sehingga pola yang ada harus dibuat
lebih stabil. Upaya untuk membuat permintaan tersebut lebih stabil sehingga lebih
mudah dipenuhi disebut pengelolaan
permintaan. Dengan kata lain, ketika peramalan permintaan menganggap
permintaan sebagai input, pengelolaan
permintaan harus dapat
mengubah pola permintaan tersebut sebelum
masuk ke peramalan.
Adapun tujuan penelitian ini adalah sebagai berikut:
1. Mengetahui metode peramalan permintaan
yang memungkinkan untuk diterapkan di PT Bimandiri Agro Sedaya berdasarkan data
permintaan komoditi paprika.
2. Mengetahui metode peramalan permintaan
yang paling mendekati keadaan aktual dan sebaiknya diterapkan di PT Bimandiri Agro
Sedaya untuk komoditi paprika.
METODOLOGI Penelitian akan dilaksanakan selama 5 bulan,
yaitu bulan September 2013 hingga Januari
2014. Pengambilan data di lapangan dilakukan mulai bulan September 2013
hingga bulan Desember 2013 sedangkan
pengolahan data dilakukan pada bulan Januari
2014. Pengambilan data dilakukan di PT Bimandiri Agro Sedaya, Lembang
Data primer yang digunakan dalam
penelitian ini bersifat kuantitatif dan kualitatif.
Data kuantitatif yang akan digunakan dalam penelitian ini adalah data permintaan paprika
selama bulan September 2013 hingga bulan
Desember 2013 yang didapat dari PT Bimandiri Agro Sedaya. Data kualitatif yang
digunakan dalam penelitian ini yaitu metode
peramalan yang diterapkan di perusahaan
yang diperoleh melalui wawancara yang dilakukan kepada narasumber terkait di PT
Bimandiri Agro Sedaya. Selain data-data
tersebut, digunakan juga data lain yang merupakan data sekunder yang diperoleh dari
perusahaan seperti gambaran umum
perusahaan maupun studi literatur yang dapat menunjang penelitian ini Seluruh data dan
perhitungan akan diolah dengan menggunakan
piranti lunak Minitab 16 dan Microsoft Excel.
Kedua program tersebut dipilih karena merupakan program yang sudah dikenal dan
mudah digunakan. Hasil penelitian ini
54 Peramalan Permintaan Komoditi Paprika (Puji RN dan Tania FI)
diharapkan dapat menjadi rekomendasi bagi
perusahaan sehingga program yang dipakai
diharapkan mudah digunakan oleh seluruh pelaku peramalan di perusahaan. Sedangkan
hasil data kualitatif akan disajikan dalam
bentuk pemaparan.
Data primer yang digunakan dalam penelitian ini bersifat kuantitatif dan kualitatif.
Data kuantitatif yang akan digunakan dalam
penelitian ini adalah data permintaan paprika selama bulan September 2013 hingga bulan
Desember 2013 yang didapat dari PT
Bimandiri Agro Sedaya. Data kualitatif yang
digunakan dalam penelitian ini yaitu metode peramalan yang diterapkan di perusahaan
yang diperoleh melalui wawancara yang
dilakukan kepada narasumber terkait di PT Bimandiri Agro Sedaya. Selain data-data
tersebut, digunakan juga data lain yang
merupakan data sekunder yang diperoleh dari perusahaan seperti gambaran umum
perusahaan maupun studi literatur yang dapat
menunjang penelitian ini Seluruh data dan
perhitungan akan diolah dengan menggunakan piranti lunak Minitab 16 dan Microsoft Excel.
Kedua program tersebut dipilih karena
merupakan program yang sudah dikenal dan mudah digunakan. Hasil penelitian ini
diharapkan dapat menjadi rekomendasi bagi
perusahaan sehingga program yang dipakai diharapkan mudah digunakan oleh seluruh
pelaku peramalan di perusahaan. Sedangkan
hasil data kualitatif akan disajikan dalam
bentuk pemaparan. Tahapan Penelitian 1. Identifikasi pola data akan dilakukan
dengan least square method dan plot
autokorelasi. 2. Melakukan peramalan permintaan dengan
metode kuantitatif yang sesuai dengan pola
data.
3. Menentukan keakuratan peramalan dengan menggunakan Mean Square Error (MSE).
4. Memilih metode yang memiliki MSE
terkecil pada setiap komoditi yang meliputi paprika merah, paprika kuning, dan
paprika hijau.
5. Merekomendasikan dan memproyeksikan permintaan paprika untuk periode 2 bulan
mendatang.
HASIL DAN PEMBAHASAN
Data Permintaan Paprika
Data permintaan paprika merah pada bulan September hingga Desember 2013
dapat dilihat pada Gambar 1. Permintaan
paprika merah selama periode tersebut
fluktuatif di sekitar nilai rata-rata yaitu 34,33 dan meningkat drastis pada periode ke 46 dan
119 (Gambar 2).
Sebaran data permintaan paprika kuning berfluktuatif pada nilai rata-rata yaitu
20,19 dan terdapat kecenderungan meningkat.
Peningkatan yang signifikan terlihat pada
periode ke 46 dan 119 (Gambar 3). Begitupula dengan data permintaan paprika hijau pada
bulan September hingga Desember 2013 yang
berfluktuasi di sekitar nilai rata-rata yaitu sebesar 37,025 dengan peningkatan drastis
pada periode ke 119 (Gambar 4).
Analisis Pola Data Permintaan Paprika Untuk mendapatkan metode
peramalan yang tepat, dilakukan analisis pola
data terlebih dahulu. Analisis pola data
dilakukan dengan memplotkan data permintaan paprika merah, paprika kuning,
dan paprika hijau ke dalam grafik yang
ditunjukkan oleh Gambar 5. Hasil perhitungan garis tren dengan
metode least square menunjukkan fungsi
Y=20,6007+0,227x untuk paprika merah dengan nilai R
2=0,1019. R
2 yang ada
menunjukkan bahwa 10,19% variasi pada
variabel Y dapat dijelaskan oleh variabel X.
Y=13,519+0,11x untuk paprika kuning dengan nilai R
2=0,0707; dan
Y=28,572+0,139x untuk paprika hijau dengan
nilai R2=0,0634.
Nilai R2 yang sangat rendah
menandakan bahwa data paprika merah,
paprika kuning, dan paprika hijau tersebar
acak di sekitar suatu garis linier sehingga dapat disimpulkan bahwa data yang ada
memiliki pola stasioner.
AGROINTEK Volume 8, No.2 Agustus 2014 55
Gambar 1. Pemenuhan Permintaan Paprika Merah, Paprika Kuning, dan Paprika Hijau pada
Bulan Desember 2013
Gambar 2. Permintaan Paprika Merah selama Bulan September hingga Bulan Desember 2013.
Gambar 3. Permintaan Paprika Kuning selama Bulan September hingga Bulan Desember 2013.
Gambar 4. Permintaan Paprika Hijau selama Bulan September hingga Bulan Desember 2013.
56 Peramalan Permintaan Komoditi Paprika (Puji RN dan Tania FI)
Gambar 5.Pola Data dan Garis Tren Permintaan Paprika. (a) Paprika Merah, (b) Paprika Kuning, dan (c) Paprika Hijau.
Hasil autokorelasi data menunjukkan bahwa pola data memiliki pola
stasioner. Plot Autocorrelation Function
(ACF) memperlihatkan bahwa nilai koefisien autokorelasi menurun ke nol setelah lag kedua
yaitu dari 0,47 menjadi 0,08 untuk komoditi
paprika merah, 0,38 menjadi 0,14 untuk komoditi paprika kuning, dan 0,301 menjadi
0,095 untuk komoditi paprika hijau. Oleh
karena itu, metode peramalan yang digunakan
untuk pola stasioner adalah moving average dan single exponential smoothing. Metode
ARIMA digunakan dengan tidak berdasarkan
pola data karena metode ini dapat digunakan pada semua jenis pola data. Sedangkan pola
data musiman menurut Makridakis et al.
(1999) dapat diamati pada kuartal tahun
tertentu, bulanan, atau hari-hari pada minggu tertentu. Pada data 4 bulan ini tidak teramati
adanya musiman dalam kurun waktu 1 bulan
maupun 1 minggu.
Hasil Penerapan Metode Peramalan
Berdasarkan hasil plot grafik dan autokorelasi untuk mengetahui pola data,
diperoleh bahwa data mengandung unsur
stasioner sehingga metode peramalan yang digunakan adalah moving average dan single
exponential smoothing. Selain metode-metode
tersebut dilakukan juga peramalan dengan metode ARIMA.
1. Metode moving average Pada metode moving average (MA),
panjang MA yang digunakan adalah 7 untuk
melihat pergerakan deret data per 7 hari atau 1 minggu. Menurut Jacobs et al, (2011) moving
average menghaluskan fluktuasi yang acak
menjadi rata-rata. Fluktuasi acak ini diasumsikan berulang pada kurun waktu
tertentu sehingga peramalan pada periode
selanjutnya dapat dilakukan dengan merata-
ratakan pergerakan data. Terdapat data yang fluktuasinya terulang pada waktu yang singkat
dan terdapat pula data yang terulang pada
jangka waktu cukup panjang. Mengacu
AGROINTEK Volume 8, No.2 Agustus 2014 57
kepada sistem estimasi perusahaan yang
melihat data 1 minggu ke belakang, maka
panjang MA yang digunakan pada penelitian ini adalah 7 hari.
Pada paprika merah, metode MA
menghasilkan nilai MSE sebesar 543,984.
Pada paprika kuning dihasilkan nilai MSE sebesar 205,337 sedangkan pada paprika hijau
dihasilkan nilai MSE sebesar 345,713. Pada
perhitungan dengan MA ini dapat dilihat bahwa paprika hijau merupakan komoditi
yang pergerakan rata-ratanya memiliki tingkat
fluktuasi paling rendah dibanding dengan
paprika merah dan kuning sehingga sebaran data paling mendekati pergerakan rata-rata,
dibandingkan dengan paprika merah dan
kuning. Menurut Haming dan Nurnajamuddin (2007), metode moving average cocok dipakai
untuk melakukan peramalan berdasarkan data
historis dengan fluktuasi yang rendah karena metode ini memakai asumsi bahwa peluang
keberulangan setiap kejadian di masa
mendatang adalah sama.
2. Metode single exponential smoothing Metode single exponential
smoothing melakukan peramalan dengan
pemulusan eksponensial dengan 1 konstanta yaitu α. Metode ini tidak menghilangkan satu
pun data historis yang ada, tetapi memberikan
bobot kepada data historis untuk berpengaruh kepada peramalan. Semakin besar α yang
diberikan kepada data permintaan sebelumnya
akan memberikan hasil peramalan yang
semakin responsif, sedangkan semakin kecil α yang diberikan, akan menghasilkan peramalan
yang lebih stabil (Jacobs et al. 2011). Pada
penelitian ini, α yang dipilih adalah 0,1 karena konstanta yang menjadi bobot bagi galat
peramalan diasumsikan kecil sehingga angka
peramalan lebih stabil. Hasil peramalan
dengan metode ini pada paprika merah menghasilkan nilai MSE sebesar 545,324.
Pada paprika kuning dihasilkan MSE sebesar
193,789 sedangkan pada paprika hijau dihasilkan MSE sebesar 349,417.
3. Metode ARIMA
Untuk menentukan nilai AR dan
MA pada metode ARIMA, dilakukan plot data dengan autokorelasi dan autokorelasi
parsial. Grafik autokorelasi pertama tanpa
diferensiasi menunjukkan 1 garis tebal yang
melebihi garis horizontal putus-putus sehingga nilai AR = 1. Grafik autokorelasi
parsial digunakan untuk menentukan nilai MA
yang biasa diberi simbol p. Pada grafik autokorelasi parsial
tanpa diferensiasi menunjukkan 1 garis hitam
tebal yang melebihi garis horizontal putus-
putus sehingga nilai ARIMA yang teridentifikasi adalah (1,0,1). Model ini
menghasilkan nilai MSE sebesar 450,1.
Estimasi bahwa pola data belum stasioner, selanjutnya dilakukan diferensiasi
sehingga nilai d = 1 (Gambar 8 c, d).
Kemudian buat kembali grafik autokorelasi dengan 1 diferensiasi. Hasil autokorelasi
menunjukkan 1 garis tebal yang melebihi
garis horizontal putus-putus sehingga nilai AR
= 1. Grafik autokorelasi parsial digunakan untuk menentukan nilai MA yang biasa diberi
simbol p. Pada grafik autokorelasi parsial
tanpa diferensiasi menunjukkan 2 garis hitam tebal yang melebihi garis horizontal putus-
putus sehingga nilai ARIMA yang
teridentifikasi adalah (1,1,2). Model ini menghasilkan MSE sebesar 434,7.
Kemudian dilakukan trial and error
dengan memasukkan nilai ARIMA (1,1,1)
yang menghasilkan MSE sebesar 447,6. Dilanjutkan dengan diferensiasi kedua yang
menghasilkan AR = 1 dan MA = 1 sehingga
model ARIMA menjadi (1,2,1). Model ini menghasilkan nilai MSE sebesar 531,1
(Gambar 8 e, f).
Berdasarkan perbandingan nilai
MSE pada setiap model ARIMA pada paprika merah maka model paling baik untuk
diterapkan pada paprika merah adalah (1,1,2).
58 Peramalan Permintaan Komoditi Paprika (Puji RN dan Tania FI)
Gambar 6. Moving Average. (a) Paprika Merah, (b) Paprika Kuning, (c) Paprika Hijau.
Gambar 7. Single Exponential Smoothing. (a) Paprika Merah, (b) Paprika Kuning, (c) Paprika
Hijau.
AGROINTEK Volume 8, No.2 Agustus 2014 59
a
b
c
d
e
F
Gambar 8. Autokorelasi dan Autokorelasi Parsial Data Permintaan Paprika Merah
Plot korelasi pada paprika kuning
tanpa diferensiasi ditunjukkan pada Gambar 9.
Hasil autokorelasi data menunjukkan terdapat 1 garis tebal yang melebihi garis horizontal
putus-putus sehingga didapatkan AR = 1,
sedangkan untuk mendapatkan MA dibuat grafik autokorelasi parsial tanpa diferensiasi.
Hasil autokorelasi parsial (Gambar 9 a, b)
menunjukkan 1 garis tebal dan 1 garis tipis sehingga diambil sistem trial and error
dengan MA = 1 dan MA = 2. Model ARIMA
(1,0,1) menghasilkan nilai MSE sebesar 172,9
sedangkan model ARIMA (1,0,2)
menghasilkan nilai MSE sebesar 166,8.
Estimasi pola data belum stasioner sehingga perlu dilakukan diferensiasi
sehingga d = 1 (Gambar 9 c, d). Selanjutnya
dibuat grafik autokorelasi dan autokorelasi parsial. Grafik autokorelasi menunjukkan 2
garis tebal yang melebihi garis horizontal
putus-putus dan grafik autokorelasi parsial menunjukkan 3 garis tebal melebihi garis
horizontal putus-putus sehingga dapat diambil
AR = 2 dan MA = 3. Model ARIMA (2,1,3)
ini menghasilkan MSE sebesar 164,4.
60 Peramalan Permintaan Komoditi Paprika (Puji RN dan Tania FI)
a
b
c
d
e
f
Gambar 9. Autokorelasi dan Autokorelasi Parsial Data Permintaan Paprika Kuning.
Setelah itu dilakukan diferensiasi
kedua untuk melihat grafik autokorelasi dan
autokorelasi parsial selanjutnya (Gambar 9 e, f). Grafik autokorelasi menunjukkan 2 garis
tebal dan grafik autokorelasi parsial
menunjukkan 2 garis tebal juga sehingga
model ARIMA yang dihasilkan adalah (2,2,2) dengan MSE sebesar 209,6. Berdasarkan
perbandingan nilai MSE pada setiap model
ARIMA pada paprika kuning maka model paling baik untuk diterapkan adalah model
ARIMA yang memiliki nilai MSE paling kecil
untuk paprika kuning adalah ARIMA (2,1,3).
Pada paprika hijau juga dibuat grafik
autokorelasi dan autokorelasi parsial. Grafik
autokorelasi (Gambar 10) menghasilkan AR = 1 dan grafik autokorelasi parsial
menghasilkan MA = 1 sehingga diperoleh
model ARIMA (1,0,1). Model ini
menghasilkan nilai MSE sebesar 321,9. Dengan asumsi pola data tidak stasioner,
maka dilakukan diferensiasi 1 kali sehingga d
= 1 kemudian dibuat grafik autokorelasi dan autokorelasi parsial. Grafik autokorelasi
menunjukkan AR = 1 sedangkan grafik
autokorelasi parsial menunjukkan 2 garis
AGROINTEK Volume 8, No.2 Agustus 2014 61
sehingga MA = 2. Selain itu dilakukan sistem
trial and error pada MA = 1 sehingga model
ARIMA yang dihasilkan adalah (1,1,1) dan (1,1,2). ARIMA (1,1,1) menghasilkan nilai
MSE sebesar 324,6 dan ARIMA (1,1,2)
menghasilkan nilai MSE sebesar 324,2.
Selanjutnya dilakukan diferensiasi kedua dan dibuat grafik autokorelasi dan autokorelasi
parsial sehinggan dihasilkan model ARIMA
(1,2,3) yang menghasilkan nilai MSE sebesar
327,1. Perbandingan nilai MSE pada setiap model ARIMA pada paprika hijau dapat
dilihat pada Tabel 3. Berdasarkan tabel
tersebut, model ARIMA yang memiliki nilai
MSE paling kecil untuk paprika hijau adalah ARIMA (1,0,1).
a
b
c
d
e
f
Gambar 10. Autokorelasi dan Autokorelasi Parsial Data Permintaan Paprika Hijau.
Setelah ARIMA dihitung, kembali
dibandingkan keakuratan metode peramalan dengan menggunakan MSE. MSE berbagai
metode peramalan ditunjukkan pada Tabel 1.
Pada tabel tersebut dapat dilihat MSE moving
average pada paprika merah dan hijau lebih
besar daripada MSE ARIMA dan MSE single exponential smoothing pada paprika kuning
lebih besar dari MSE ARIMA. Berdasarkan
MSE, metode peramalan yang paling akurat
62 Peramalan Permintaan Komoditi Paprika (Puji RN dan Tania FI)
untuk seluruh paprika adalah ARIMA.
Sehingga untuk proyeksi data 2 bulan ke
depan, peramalan permintaan seluruh paprika akan dilakukan dengan menggunakan metode
ARIMA.
Peramalan Permintaan 2 Bulan ke Depan
Peramalan permintaan 2 bulan ke depan atau sebanyak 60 periode ke depan
akan diramalkan dengan metode ARIMA
untuk seluruh paprika. Model ARIMA yang
akan digunakan pada paprika merah adalah ARIMA (1,1,2) sedangkan pada paprika
kuning akan digunakan model ARIMA (2,1,3)
dan pada paprika hijau akan digunakan
ARIMA (1,0,1).
Tabel 1. Hasil Perhitungan MSE Metode ARIMA pada Paprika Merah
Tabel 2. Hasil Perhitungan MSE Metode ARIMA pada Paprika Kuning
Tabel 3. Hasil Perhitungan MSE Metode ARIMA pada Paprika Hijau
Tabel 4. Perbandingan MSE Berbagai Metode Peramalan pada Paprika
Data peramalan menunjukkan
perkiraan permintaan paprika merah pada bulan Januari 2014 dengan metode ARIMA
(1,1,2) menunjukkan permintaan akan terus
turun hingga hari ke-10 kemudian meningkat
secara linier hingga akhir bulan Februari 2014. Perkiraan permintaan paprika kuning
dengan metode ARIMA (2,1,3) menghasilkan
jumlah permintaan yang menurun drastis pada
awal Januari 2014 hingga hari ke-6 dan kemudian meningkat secara linier hingga
akhir Februari 2014. Sedangkan perkiraan
permintaan paprika hijau dengan metode
ARIMA (1,0,1) menunjukkan penurunan secara signifikan hingga akhir januari dan
hampir stasioner sepanjang Februari
.
AGROINTEK Volume 8, No.2 Agustus 2014 63
KESIMPULAN
1. Peramalan yang dilakukan pada pola data
permintaan paprika di PT Bimandiri Agro Sedaya harus sesuai dengan unsur
stasioner. Metode yang dapat digunakan
diantaranya adalah moving average, single
exponential smoothing, dan ARIMA. 2. Hasil perhitungan MSE pada setiap metode
peramalan menunjukkan bahwa metode
ARIMA memiliki nilai MSE terendah untuk seluruh paprika. Metode ARIMA
yang diterapkan pada paprika merah yaitu
ARIMA (1,1,2) dengan MSE sebesar
434,7; ARIMA (2,1,3) untuk peprika kuning dengan MSE sebesar 164,4; dan
ARIMA (1,0,1) untuk paprika hijau dengan
MSE sebesar 321,9.
SARAN
1. Merekomendasikan kepada PT Bimandiri
untuk menerapkan atau menambahkan metode ARIMA sebagai bahan
pertimbangan dalam memperkirakan
permintaan paprika. 2. Melakukan penelitan lanjutan yang
meneliti peramalan permintaan paprika
merah, paprika kuning, dan paprika hijau
dengan mencari hubungan antara permintaan paprika dengan faktor lain,
contohnya event yang sedang terjadi di
masyarakat.
DAFTAR PUSTAKA
Cahyono, B. (2003). Cabai Paprika: Teknik
Budi Daya dan Analisis Usaha Tani. Yogyakarta: Kanisius.
Direktorat Jenderal Hortikultura. (2013).
Perkembangan Produksi Tanaman
Sayuran Periode 2008-2012. Jakarta: Dirjen Hortikultura.
Haming, M. dan Nurnajamuddin, M. (2007).
Manajemen Produksi Modern Operasi Manufaktur dan Jasa Buku 1. Jakarta:
Bumi Aksara.
Harun, SM . (2013). Paprika: Capsicum
annum var grossum L [Online].
Tersedia:http://syekhfanismd.lecture.ub
.ac.id/files/2013/02/PAPRIKA.pdf [23
Januari 2014].
Jacobs, F.R. (2011). Manufacturing Planning & Control For Supply Chain
Management: sixth edition. New York:
McGraw-Hill International Edition. Makridakis, Wheelwright, dan McGee.
(1999). Metode dan Aplikasi
Peramalan. Jakarta: Binarupa Aksara.
Stadtler, H. (2005). Supply chain management and advanced planning: Basics,
overview, and challenges. European
Journal of Operational Research 163 (3), pp. 575-588.
Top Related